Ar DI pagrįstas atsargų valdymas yra efektyvesnis?
Straipsnio turinys
Dirbtinis intelektas skverbiasi į verslo pasaulį neįtikėtinu greičiu, ypač su technologijomis susijusių inovacijų srityse, kur atrodo, kad DI nenaudojimas kelia vis daugiau klausimų, tokių kaip „Ar dirbame su pasenusiomis metodikomis?" arba „Ar mūsų tiekimo grandinės strategijas būtų galima optimizuoti naudojant dirbtinį intelektą?"
Kaip ir daugumoje sričių, DI pastaruoju metu buvo įtrauktas į atsargų valdymo sprendimus. Tačiau viena svarbi problema dar nebuvo išspręsta: „Ar DI geba prognozuoti tiksliau ir rasti geresnius atsargų valdymo sprendimus, ar tiesiog mes labiau pasitikime DI?"
Prieš analizuojant DI technologijos efektyvumą atsargų valdyme, būtina išnagrinėti, kas paprastai vadinama dirbtiniu intelektu.
Dirbtinis intelektas yra informatikos šaka, kuri sprendžia sistemų, galinčių atlikti užduotis, reikalaujančias žmogaus intelekto, tokias kaip informacijos analizė, dėsningumų atpažinimas, mokymasis iš patirties ir sprendimų priėmimas, kūrimo klausimus. Skirtingai nei tradicinės programos, kurios veikia naudodamos iš anksto nustatytas instrukcijas, DI programos apima duomenis ir algoritmus, kurie leidžia joms mokytis ir atlikti funkcijas laikui bėgant. Praktiškai kalbant, beveik viskas pagrįsta technologija, vadinama mašininiu mokymusi – dirbtinio intelekto tipu, kuris mokosi iš praeities patirties. Technologija gali apdoroti milžiniškų duomenų kiekius, kuruiose randami dėsningumai. Ir remiantis tais dėsningumais daromos prognozės. Kuo daugiau gerų duomenų DI sistemoms pateikiama, tuo geriau ji prognozuoja. Būtent čia ir kyla pirmieji iššūkiai.
Kas yra dirbtinis intelektas?
DI diegimo kreivė kyla aukštyn. Pagal pramonės šakų pateiktas analizes, dauguma vidutinių ir didelių įmonių bando arba jau naudoja DI pagrįstus įrankius paklausos prognozavimui ir atsargų planavimui. Programinės įrangos tiekėjai žada, kad DI:
Pateiks milijonų duomenų taškų analizę: istorinių pardavimų, akcijų, kainų, oro, įvykių ir konkurentų veiksmų.
Generuos labai detalias paklausos prognozes, pavyzdžiui, SKU, parduotuvės lygiu ir net klientų segmentų lygiais.
Nuolat optimizuos papildymo kiekius ir asortimento sprendimus.
Tiekėjų tyrimai ir atvejų analizės taip pat nurodo daugybę atvejų, kai prognozių paklaida sumažėjo 20 - 50 %, palyginti su tradiciniais statistiniais modeliais. Kartu su tuo paprastai stebimi vidutiniai aptarnavimo lygio ir atsargų optimizavimo pagerėjimai. Popieriuje tai skamba gana įspūdingai. Tiesa?
Tačiau iškyla du esminiai klausimai:
Kokia dalis atsargų problemų iš tikrųjų sukelta prognozių netikslumo?
O jei aplinkos pokyčiai faktiškai vyksta greičiau nei gali būti pastebėta istoriniuose duomenyse?
DI diegimo banga atsargų valdyme
Geriausi prognozavimo modeliai nepanaikina neapibrėžtumo, t.y. daugiausiai jie patikslina, kaip kiekybiškai įvertinamas neapibrėžtumas. Jei DI pagerina prognozių tikslumą 20 - 30 %, didžioji dalis svyravimų visvien išlieka. Paklausa yra iš prigimties nepastovi ir iš dalies nenuspėjama kategorijoms, kurios susisjusios su mados tendencijomis, pokyčiais konkurencinėje aplinkoje ar atsiradus makroekonominiai pokyčiams.
Pagrindinis apribojimas yra dėl pačio DI pobūdžio:
DI ir mašininis mokymasis mokosi iš praeities.
Atsargų sprendimai įšaldo apyvartinį kapitalą ir šie sprendimai keičia ateitį.
Kai ateitis yra tokia pati kaip ir praeitis, t.y. niekas nesikeičia – DI veikia puikiai. Tačiau nei paklausa nėra pastovi ir ji keičiasi dėl įvairių aplinkybių, DI sugeneruoti skaičiai gali būti pateikti iki dešimčių tikslumo, tačiau šie duomenys bus klaidingi, kadangi neatitiks realybės.
Problema, kurios DI negali išspręsti
Viena iš prielaidų, kurias DI pagrįstos atsargų sistemos gali daryti - geriausias būdas valdyti atsargas - nustatyti teisingą laikomų atsargų kiekį, naudojant iš anskto prognozuojamą paklausą.
Tai skamba protingai, bet realybėje tai apima:
Atsargoms skirto biudžeto paskirstymą pagal prognozes, kurios gali neįvykti ateityje.
Apyvartinių lėšų šaldymą, pagrįstą išsamiu spėjimu.
Atsakomybės prisiėmimą už visą riziką, susijusią su klaida dėl atsargų planavimo pagal prognozes, kurios skiriasi nuo realybės.
DI pagrista atsargų valdymo strategija gali būti veiksminga stabiliose ir nuspėjamos aplinkose, bet ji iš esmės ydinga nepastovių rinkų atveju, nepriklausomai nuo naudojamo algoritmo sudėtingumo lygio.
Kokia klaidinga prielaida yra paslėpta už DI prognozavimo?
Dinaminis buferių valdymas (DBM – dynamic buffer management) pristato kitokį atsargų valdymo požiūrį. Užuot bandęs prognozuoti, kas nutiks ateityje su dideliu detalumu ir tikslumu, DBM veikia dinamiškai reaguodamas į tai, kas vyksta šiuo metu.
Pagrindiniai principai:
Buferinio lygis priskiriami kiekvienai prekei ar prekės vietai; Tai nėra kiekis, kurį reikia papildyti ir laikyti
Faktiniai suvartojimo lygiai nuolat stebimi.
Jei paklausa didesnė nei tikėtasi, ir atsargų lygis artėja prie kritinės zonos (dažnai vaizduojamos kaip „raudona" sritis), buferis didinamas.
Kai suvartojimas mažesnis ir atsargų lygis „žalioje" zonoje, buferis sumažinamas.
Šis požiūris:
Nesiremia ilgo laikotarpio prognozėmis.
Koreguoja parametrus pagal stebimą vartojimą.
Mokosi iš dabartinių pokyčių ir reaguoja į juos automatiškai.
DBM nėra bandymas prognozuoti paklausą, tai bandymas koreguoti paklausą, kai ji atsiranda.
Dinaminis buferių valdymas – kitoks mąstymo būdas
Kur DI tikrai suteikia vertę atsargų valdymui?
DI yra labai galingas įrankis ir tinkamai naudojamas gali atnešti naudos:
Dėsningumų atpažinimas didelės duomenų apimtyse: naujų tendencijų, sezoninių pokyčių ar regioninių skirtumų, kuriuos pamatyti žmogui gali būti neįmanoma, identifikavimas.
Strateginiai produktų asortimento klausimai: produktų kategorijų identifikavimas, kurios auga ar mažėja, kurių produktų rinkiniai gerai veikia ir pan.
Tiekėjų ir kategorijų veiklos analizė – tiekėjų identifikavimas, kurie tiekia stabiliai, laikosi pristatymo terminų ir t.t.
Tokie galėtų būti klausimai, į kuriuos gali padėti atsakyti DI:
Kokius produktus turime turėti?
Kokie tiekėjai, kuriais galime pasitikėti ir su kuriais verta tęsti bendradarbiavimą?
Kurie regionai/pardavimo kanalai labiausiai pasiteisina ir jiems skirti prioritetą?
DI gebėjimas analizuoti milžiniškus duomenų kiekius ir identifikuoti žmonėms nematomus ryšius yra išties vertingas. Tačiau kai DI naudojamas prekių lygio nustatymui ar užsakymo kiekio sprendimams priimti, ypač nepastoviose rinkose, DI apribojimai yra akivaizdūs: DI sunkiai prisitaiko prie realaus laiko pokyčių, kurių jis nebuvo apmokytas atpažinti.
Vaidmenų paskirstymas tarp DI ir DBM
Šiame straipsnyje mes nesprendžiame klausimo, kurį rinktis DI ar DBM. Mes norime aiškiai įvardinti, jog reikalingi abu, tačiau reikia tinkamai paskirstyti funkcijas:
Asortimento planavimas ir valdymas
Naudokite DI:
Nustatyti, kokias produktų linijas auginti ar mažinti.
Nustatyti, kurios produktų linijos yra nepakankamai veikiančios
Atskleisti regioninės ar kitų pardavimo kanalų paklausos elgseną.
Palengvinti ilgalaikį pajėgumų planavimą ir produktų portfelio analizę.
Dinaminis buferių valdymas atsargų ir užsakymų operacijoms
Naudokite DBM:
Nustatyti ir keisti buferių lygius pagal faktinį suvartojimą.
Reaguoti į paklausos pokyčius realiuoju laiku, nelaukiant kito prognozės ciklo.
Apriboti prognozių klaidų poveikį atsargų valdymo rezultatams.
Valdyti kasdienį papildymą.
Apsvarstykime tipišką pavyzdį:
Vidutinė įmonė tvarko šimtus ar tūkstančius SKU. Kai kurie produktai juda nepakankamai ir neatitinka lūkesčių. Maždaug 20 - 30 % visų prekių patenka į perteklines atsargas, kurios užima sandėlio erdvę ir kurias reikia reguliariai tvarkyti, tačiau jų parduodama mažai.
Kai laikymo išlaidos sudaro nuo 20 % iki 30 % produkto vertės, tokių prekių pelningumas mažėja. Kai DI naudojamas prognozių tikslumui gerinti, jis šią problemą gali tik padidinti, kadangi pagal praeities duomenys prognozuoja, jog tokių prekių reikia turėti, ypač jei praeityje jų pardavimai buvo. Arba jei pardavimo ir nebuvo, progrnozuojant bendrą pardavimų augimą, visvien šias prekes įtrauks į prognozes ir pasiūlys jų laikyti dar dar daugiau. Tokiu būdu DI sugeneruotos prognozės gali dar labiau padidinti perteklines prekes ir jose įšaldytus piigus.
Dinaminio buferių valdymo sistema išsprendžia šią problemą automatiškai sumažindama buferius produktams, kurių suvartojimas yra mažesnis nei tikėtasi.
Priklausomybės nuo prognozių kaina
Dažnai rinkodaristai sumaišo skirtumą tarp DI ir žmogiškojo mąstymo, ir pateikia kaip vieną ir tą patį Pagrindiniai skirtumai:
DI iš tikrųjų nesupranta. Jis nesupranta produktų ar klientų, ar rinkų taip, kaip žmonės. Jis neturi intuicijos, neatsižvelgia į kontekstą ir neturi sveiko proto. DI tiesiog randa statistinius dėsningumus ankstesniuose duomenyse ir projektuoja tuos dėsningumus į priekį.
DI labai gerai veikia stabilios aplinkose: kai rytojus bus panašus į vakar dieną su nedideliais skirtumais. Sistema puikiai randa ryšius milžiniškuose duomenų kiekiuose ir tada daro prognozavimus.
DI modelis neatitinka realybės, kai įvyksta pokyčiai. Nauji konkurentai, reguliavimo pokyčiai, klientų elgsenos pokyčiai ar kitos nesuplanuotos aplinkybės, kurių nebuvo praeities duomenyse.
DI yra analizės įrankis, o ne krištolinis rutulys. Šio skirtumo atpažinimas bus svarbus norint efektyviai diegti įrankį. Ten, kur istoriniai dėsningumai patikimi – tai yra, kur paklausa stabili - DI suteikia vertę. Ten, kur vyrauja pokyčiai – tai yra, kur rinkos nuolat keičiasi – žmogaus įsitraukimas tampa būtinu.
DI nėra žmogaus intelektas
Ar DI pagrįstas atsargų valdymas efektyvesnis?
Sąžiningas atsakymas:
Pats savaime DI prognozavimas paprastai tik šiek tiek veiksmingesnis nei tradiciniai prognozavimo metodai. Nepaisant to, jo pagrindinis trūkumas – ne visada galima numatyti paklausą naudojant sudėtingus modelius.
Tinkamai panaudotas DI, taikomas kategorijoms, tiekėjams ir portfeliams kartu su dinaminiu buferių valdymu, yra daug veiksmingesnis, palyginti su DI naudojimu atskirai ar įprastu prognozavimu.
Norite sužinoti, kaip fluenSTOCK gali padėti jūsų verslui? Susisiekite.
